精华内容
下载资源
问答
  • 3.下载权重文件yolov3.weights,放入到darknet文件夹 下载地址: https://pjreddie.com/media/files/yolov3.weights 4.修改cfg文件夹的yolov3.cfg文件,原文件是训练模式,需要改成测试模式。 具体修改方法...

    1.下载Darknet源码

    sudo git clone https://github.com/pjreddie/darknet

    2.编译Darknet源码

    cd darknet
    
    make

    3.下载权重文件yolov3.weights,放入到darknet文件夹下

    下载地址:

    https://pjreddie.com/media/files/yolov3.weights

    4.修改cfg文件夹下的yolov3.cfg文件,原文件是训练模式,需要改成测试模式。

    具体修改方法是,打开Testing下的两个参数,注销掉Training下的两个参数

    5.运行网络,查看检测效果

    ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

    可以看出网络运行时间非常慢,要12s多。这主要是因为目前网络是在CPU上运行,没有用到GPU。

    6.修改Makefile文件,打开GPU的开关,将GPU=0改为GPU=1,并重新编译。

    7.再次执行

    ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

    这下速度快多了

    同时可以看出,GPU跑起来了。

    展开全文
  • 翻译-中文GitHub - AlexeyAB_darknet_ Windows and Linux version of Darknet Yolo v3 & v2 Neural Networks for object detection
  • linux下darknet训练

    2021-05-07 08:57:20
    下载编译darknet 1.拉取darknet git clone https://github.com/pjreddie/darknet cd darknet 2.修改配置文件Makefile(如何使用gpu可参考) GPU=1 #如果使用GPU设置为1,CPU设置为0 CUDNN=1 #如果使用CUDNN...

    下载编译darknet

    1.拉取darknet

    git clone https://github.com/AlexeyAB/darknet.git
    

    或者

    git clone https://github.com/pjreddie/darknet
    cd darknet

    2.修改配置文件Makefile(如何使用gpu可参考)

    GPU=1 #如果使用GPU设置为1,CPU设置为0
    
    CUDNN=1 #如果使用CUDNN设置为1,否则为0
    
    OPENCV=0 #如果调用摄像头,还需要设置OPENCV为1,否则为0
    
    OPENMP=0 #如果使用OPENMP设置为1,否则为0
    
    DEBUG=0 #如果使用DEBUG设置为1,否则为0

    3.开始编译

    make

    4.下载yolov3预训练模型

    wget https://pjreddie.com/media/files/yolov3.weights

    5.测试

    ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

    或者

    ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

    6、准备数据

    需要文件:obj.data、obj.name、yolo.cfg、train.txt、valid.txt

    obj.data内容如下:

    classes= 3
    train  = cfg/train.txt
    valid  = cfg/test.txt
    names = cfg/obj.names
    backup = backup/

     

     

    7.下载预训练权重

    wget https://pjreddie.com/media/files/darknet53.conv.74

    8.开始训练

    ./darknet detector train cfg/my_data.data cfg/my_yolov3.cfg darknet53.conv.74

    或者指定gpu训练,默认使用gpu0

    ./darknet detector train cfg/my_data.data cfg/my_yolov3.cfg darknet53.conv.74 -gups 0,1,2,3

    查看gpu信息

    从停止处重新训练

    ./darknet detector train cfg/my_data.data cfg/my_yolov3.cfg darknet53.conv.74 -gups 0,1,2,3 myData/weights/my_yolov3.backup -gpus 0,1,2,3

    9.测试

    ./darknet detect cfg/my_yolov3.cfg weights/my_yolov3.weights 1.jpg
    

     

    参考:yolov3 指定gpu_darknet-yolov3训练自己的数据集(转)

    展开全文
  • linux上编译darknet,曙光机用户模式详细过程还原系统说明安装的经验教训整个配置过程还原之前的环境安装cuda编译darknet修改Makefile文件编译CUDNN环境配置配置环境小结 系统说明 RedHat7.2 x64 曙光机集群...

    系统说明

    RedHat7.2 x64
    曙光机集群用户模式,非gpu,以提交作业的形式提交到gpu节点进行计算。

    安装的经验教训

    • 若原系统有显卡驱动,版本比cuda-x.x对应的驱动版本低,则卸载,再直接安装cudax.x,全部安装(包括驱动)。
    • 若原系统显卡驱动版本比cuda-x.x对应的驱动版本高,则安装cudax.x时,不选择安装cuda-driver,其他三个都安装。
    • 若安装在默认路径下,只需指定nvcc位置,若安装在非默认路径下,还需修改GPU=1中,COMMON和LDFLAGS的位置(为实际安装位置),当然如果安装CUDNN同样要指定位置。
    • 若编译通不过,仔细检查出错位置,应该是Makefile路径没有设置正确。
    • 若编译通过,但运行时提示找不到库,应该是没有设置环境变量,需要将库所在位置添加到环境变量中(LD_LIBRARY_PATH)(ps:在网上也看到过-Wl, -rpath的方式,但没有弄成功)

    如果根据以上步骤没有成功
    如果你也用曙光机集群环境,用户模式,无法自己给gpu节点上安装cuda和显卡驱动,或者情况类似,可以继续往下看,全过程还原~
    如果是单机,可以只看 整个配置过程还原—编译darknet—编译—阶段二、三,感兴趣可以全看@_@
    (经验有限,有写的不对地方欢迎批评指正~)

    整个配置过程还原

    之前的环境

    整个系统之前装的是cuda-7.5的版本以及353.93的驱动版本(GPU节点和非GPU节点,用户模式和root模式)

    安装cuda

    因想用cuda10.1版本,所以下载了cuda10.1,安装时直接默认安装(包括驱动也安装了)(root模式非gpu节点安装的)

    编译darknet

    修改Makefile文件

    GPU=1
    以及ifeq(($GPU),1)下,COMMON的值和LDFLAGS的值,修改为实际库路径

    编译

    阶段一:试错

    • 错误提示:cannot find -lcuda
    • 发现修改后的库路径/lib64下没有libcuda.so,在系统中定位(locate libcuda.so),最终找到,并在Makefile中的LDFLAGS下指定位置,与原位置并列,即:-L/…. -L/…. -lcuda -lcudart -lcurand -lcublas
    • 再次编译,不报错了,编译通过
    • 运行,提示仍然找不到库,ldd darknet,发现lcuda等库后面显示not found
    • 此时将LDFLAGS中的那几个位置添加到环境变量(LD_LIBRARY_PATH中)
    • 再次运行,提示cuda driver 不够匹配cuda toolkit版本
    • 找了半天问题,终于想通普通用户非gpu节点下没有显卡,所以不能运行这个程序
    • 提交到GPU节点,仍然提示该错误。查看该gpu节点的驱动版本,353.93,比cuda10.1对应的驱动版本低,所以出错。

    阶段二:验证

    • 基于以上,将cuda改用系统原有的cuda7.5,同样的过程,提交到gpu上,仍提示版本不匹配问题。但cuda的测试程序deviceQuery却可以跑通,发现deviceQuery没有使用libcuda等这四个库,而darknet使用这些库了。

    阶段三:重新开始

    • 查找出错地方的输出,查找源代码注释,提示是版本不够。实在没辙了,在gpu节点上将原来的gpu驱动和cuda全卸载重启,并重装了cuda-10.1以及对应的驱动版本,安装在默认路径,再重启。
    • 利用最开始没修改的Makefile,修改两处:GPU=1,和NVCC=nvcc所在的路径/nvcc
    • 提交到GPU节点上,编译成功,运行提示找不到库,设置环境变量找不到的库所在的位置(LD_LIBRARY_PATH),指定时需注意要在gpu节点上指定,普通用户无法直接在gpu节点上操作,只能通过提交作业的方式,所以在脚本中写设置临时环境变量的语句export LD_LIBRARY_PATH=$ LD_LIBRARY_PATH:/……
    • 再运行,成功。

    CUDNN环境配置

    • 由于gpu节点上没有安装cudnn,考虑在用户模式下非gpu节点安装cudnn,以设置环境变量的方式,让gpu节点找到libcudnn.so,同上,先修改Makefile中CUDNN对应路径,改为实际路径,再在作业脚本文件中设置环境变量。提交,运行成功。

    配置环境小结

    • 需要注意的是对于默认路径,在脚本文件中设置环境变量提交到gpu节点是不管用的,如在普通节点下/usr/local//lib中的文件和在gpu节点中的/usr/local/lib文件可能不相同,是两个路径,但/public/home/用户名/…路径在gpu节点也能找到。所以非必须安装到默认路径,一般不安装软件到默认路径,否则提交到其他节点时可能会找不到文件,尽量安装在自己的用户目录下,opencv安装是同样道理。
    展开全文
  • 下面来介绍一下dark的安装和简单使用。 1.darknet源码的下载和编译 1.1 darknet介绍   Darknet深度学习框架是由Joseph Redmon提出的一个用C和CUDA编写的开源神经网络框架。它安装速度快,易于安装,并...
        

      darknet是一个基于c与cuda轻量级深度学习框架,编译部署简单,移植性好,适合初学者上手。下面来介绍一下dark的安装和简单使用。

    1.darknet源码的下载和编译

    1.1 darknet介绍

      Darknet深度学习框架是由Joseph Redmon提出的一个用C和CUDA编写的开源神经网络框架。它安装速度快,易于安装,并支持CPU和GPU(CUDA/cuDNN)计算。且支持opencv(可选,用于图像和视频的显示)和openmp(可选,用于支持for语句的并行处理,可以加快cpu的并行处理速度并大幅提高框架的检测效率)。

    1.2 YOLO算法

    1.2.1 算法简介

      YOLO(You Only Look Once)是Joseph Redmon针对darknet框架提出的核心目标检测算法,作者在算法中把物体检测问题处理成回归问题,用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率。
      YOLO是基于深度学习的端到端的实时目标检测系统。与大部分目标检测与识别方法(比如Fast R-CNN)将目标识别任务分类目标区域预测和类别预测等多个流程不同,YOLO将目标区域预测和目标类别预测整合于单个神经网络模型中,实现在准确率较高的情况下快速目标检测与识别,更加适合现场应用环境。

    1.2.2 算法的优点:

      1、YOLO的速度非常快。在cpu上是7秒一帧图像(开启openmp的情况下),在Titan X GPU上的速度是45 fps(frames per second),加速版的YOLO差不多是150fps。
      2、YOLO是基于图像的全局信息进行预测的。这一点和基于sliding window以及region proposal等检测算法不一样。与Fast R-CNN相比,YOLO在误检测(将背景检测为物体)方面的错误率能降低一半多。
      3、可以学到物体的generalizable-representations。可以理解为泛化能力强。
      4、准确率高。

    1.2.3 算法的缺点:

    1、位置精确性差
    2、召回率低
    注:召回率:正确的结果有多少被你给出了

    1.2.4

      支持person,bicycle,car,motorbike,aeroplane,bus,train
    truck,boat等共80中物体的识别(见darknet/data/coco.names)。

    2. darknet源码编译

      进入darknet官网,运行

    $ git clone https://github.com/pjreddie/darknet
    $ cd darknet
    $ make

      可以编译出c版本的darknet,如果需要编译GPU版本、打开cudnn(cuDNN只是NVIDIA深度神经网络软件开发包中的其中一种加速库)、opencv(跨平台计算机视觉库)、openmp(for语句并行处理),可用gedit打开makefile,打开相应的项(注:opencv、cudnn需要另行安装,GPU、cudnn需要NVIDIA显卡):

    GPU=0
    CUDNN=0
    OPENCV=0
    OPENMP=0
    DEBUG=0
    

      由于本人的电脑没有NVIDIA显卡,故这里只说明一下opencv的安装,先到opencv官网下载opencv2,主要当前最新的版本是opencv4,但是darknet只支持opencv2。然后解压、安装:

    $ unzip  opencv-2.4.13.6.zip
    $ sudo apt-get install cmake
    $ udo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg.dev libtiff4.dev libswscale-dev libjasper-dev 
    $ cd opencv-2.4.13.6
    $ mkdir build
    $ cd build
    $ cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
    $ make -j7
    $ make install

      opencv安装成功,开始编译opencv的darknet,进入darknet目录:

    $ vi Makefile
    GPU=0
    CUDNN=0
    OPENCV=1
    OPENMP=1
    DEBUG=0

      如上所示,打开opencv和openmp选项,然后wq保存退出。然后执行:

    make

      程序将在当前目录下生成darknet文件.
      下载官方训练的权重:到darknet当前目录:

    $ wget https://pjreddie.com/media/files/yolov3.weights

    3. 检测图片

      使用官网训练的权重进行检测:

    $ ./darknet detect cfg/yolov3.cfg yolov3.weights ./data/timg.jpeg

      注:该检测照片是本人从网上下载的一张照片。
      不打开OPENMP时检测一张图片消耗的时间分别为(五次):
      24.889,23.650,23.705,22.262,23.095,
      平均时间为:
      23.520

      打开OPENMP检测一张图片消耗的时间分别为(五次):
      7.384,7.892,7.627,7.203,7.796
      平均时间为:
      7.580s
      而检测的结果相同:
    clipboard.png
      如此可见,使用OPENMP之后,程序的CPU并行效率提高3倍以上。opencv用于打开图片和视频,对检测的效率无提升作用。

    展开全文
  • YOLOv4:目标检测(windows和Linux下Darknet 版本)实施 YOLOv4 - Neural Networks for Object Detection (Windows and Linux version of Darknet ) YOLOv4论文链接:https://arxiv.org/abs/2004.10934 链接地址:...
  • 1. cygwin如何在win10上安装我就不说了 ...图片数据放在darknet-master/data/文件夹,生成的结果在/darknet-master/目录下面,名字叫prediction.jpg,我的结果如下图所示: 今天就分享到这里,可通过群Py
  • 介绍 使用的是opencv4.4,具体我安装在了自己的目录/home/cxzx/opencv44,如下,具体安装方法可以参考:linux下安装opencv4.4.0 cxzx@ubuntu:~/opencv44$ ls bin include lib share 编译安装 需要修改darknet中的...
  • 使用GDB对darknet进行调试过于复杂,考虑使用codeblocks以图形化界面对darknet进行调试。现给出编译配置方法。 1)编译*.cu文件 由于codeblocks无法使用多种编译器进行编译(或许可以,但本人不会),因此需要先对...
  • 适用于Windows和Linux的Yolo v4,v3和v2 (用于物体检测的神经网络) YOLO v4纸: : Paper Scaled : : 用于重现结果: 有关媒体的文章中的更多详细信息: 手册: : 讨论: 关于Darknet框架: : AP50:...
  • 关于Darknet框架: : 如何在Linux上编译 如何在Windows上编译 AP50:95-FPS(Tesla V100)论文: : AP50:95 / AP50-FPS(Tesla V100)论文: : tkDNN-TensorRT将批次1的YOLOv4加速约2倍,将批次4的YOLOv4...
  • 之前写过一篇linux codeblocks darknet Debug的教程,当时对Debug的使用方式还不太熟悉,经过一段时间的使用、配置后,对codeblocks的使用方式又有了新的认识,现给出一份极简的教程。 1)新建项目。 2)添加源...
  • 在远程Linux服务器部署darknet 编译 首先通过putty或者其他工具登录到远程服务器 使用git下载源码 git clone https://github.com/pjreddie/darknet.git 再进入darknet文件夹 cd darknet 修改Makefile,根据服务器...
  • 小白教程:Ubuntu下使用Darknet/YOLOV3训练自己的数据集 我先跑了一遍YOLOV3官网教程:https://pjreddie.com/darknet/yolo/ 1.获取数据与标签 将图片转换为xml格式,随后再转换为txt. 1.1获取图片并使用labelimg...
  • linux下,解压后直接make就可以了,如果你想实时可视化,开启OPENCV=1,关于这里配置OPENCV时需要注意: ifeq ($(OPENCV), 1) COMMON+= -DOPENCV-I/usr/local/include CFLAGS+= -DOPENCV LDFLAGS+= -L/usr/local/...
  • 官网上的命令是在linux环境的,在windows上执行需要安装cygwin 参考链接:windows 安装cygwin教程 会遇到很多问题: 1.make组件无法安装 windows系统在忘记安装make的Cygwin中如何正确安装make(图文详解)...
  • Darknet安装及使用

    千次阅读 2019-05-06 15:33:02
    linux下安装Darknet3.使用Darknet目标检测 本文主要记录自己安装Darknet过程,以及看到的一些大神的博客。 1.Darknet介绍 官网: https://pjreddie.com/ Github: https://github.com/pjreddie/darknet.git ...
  • Linux服务器上训练yolov4
  • 本项目是使用英伟达嵌入式平台Jetson AGX开发套件,使用opencv里面的darknet库进行检测目标框,使用kcf算法进行跟踪,将opencv+darknet+kcf算法进行混编,在kcf算法中添加darknet库和opencv库的依赖项。 下面介绍...
  • linux下,解压后直接make就可以了,如果你想实时可视化,开启OPENCV=1,关于这里配置OPENCV时需要注意: ifeq ($(OPENCV), 1)  COMMON+= -DOPENCV -I/usr/local/include CFLAGS+= -DOPENCV LDFLAGS+...
  • darknetlinux上的编译输出。本编译输出未开启opencv和gpu的支持。
  • darknetlinux下的编译输出。本编译输出开启了opencv2.4的选项,未开启gpu支持。
  • 使用VS2015在Windows编译darknet

    千次阅读 2019-11-11 10:13:30
    这里写自定义目录 目录 一,环境配置 VS2015+显卡RtX2080ti+CUDA10.1+Opencv2.4.13+pthread pthread:ftp://sourceware.org/pub/pthreads-win32/...Darknet:https://github.com/pjreddie/darknet 二,编译过程 1....
  • 1.下载 AlexeyAB/darknet(测试使用,然后在下载darknet自己配置) 2.修改 /darknet/src/detector.c 3.找到 void test_detector(char *datacfg …) 使用如下代码替换  前期工作:...
  • darknet

    2019-09-05 06:36:48
    darknet linux下c语言深度学习框架

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,177
精华内容 870
关键字:

linux下使用darknet

linux 订阅